arXiv (Cornell University)· 2018· Ön baskı
YOLOv3: Kademeli Bir İyileştirme
YOLOv3: An Incremental Improvement
- 5.889atıf
- 2018yıl
Kısa özet
YOLOv3, 320x320 çözünürlükte 22ms'de 28.2 mAP elde ederek SSD doğruluğunu yakalarken üç kat daha hızlıdır ve mAP@50 metriğinde RetinaNet'i geride bırakır (57.9'a karşılık 57.5) ve 3.8 kat daha hızlıdır (51ms'ye karşılık 198ms).
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- YOLOv3, 320x320 çözünürlükte 22ms'de 28.2 mAP elde eder.
- SSD doğruluğunu yakalar ancak üç kat daha hızlıdır.
- YOLOv3, Titan X üzerinde 51ms'de 57.9 mAP@50 elde eder.
- Bu, RetinaNet'in 57.5 mAP@50'sine kıyasla benzer performanstır ancak 3.8 kat daha hızlıdır (51ms'ye karşılık 198ms).
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
We present some updates to YOLO! We made a bunch of little design changes to make it better. We also trained this new network that's pretty swell. It's a little bigger than last time but more accurate. It's still fast though, don't worry. At 320x320 YOLOv3 runs in 22 ms at 28.2 mAP, as accurate as SSD but three times faster. When we look at the old .5 IOU mAP detection metric YOLOv3 is quite good. It achieves 57.9 mAP@50 in 51 ms on a Titan X, compared to 57.5 mAP@50 in 198 ms by RetinaNet, similar performance but 3.8x faster. As always, all the code is online at https://pjreddie.com/yolo/
Yazarların özeti; kaynağından alınmıştır. arXiv (Cornell University), 2018 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilgisayarlı Görü ve Örüntü Tanıma
Computer Vision and Pattern RecognitionComputer Science